techiescamp/mlops-for-devops

它解决了什么问题

大多数MLOps教程都假设你已经了解数据科学。这个项目反其道而行之：它向没有机器学习背景的DevOps、平台和SRE工程师教授机器学习运维。它不要求你成为数据科学家，而是用你已经理解的DevOps类比来解释每个机器学习概念，这样你就可以像处理传统应用一样，在生产环境中构建、自动化、部署和排查机器学习系统。

它是如何工作的

这是一个基于项目的路线图，分为两个阶段。第一阶段从你的本地机器开始：你为一个虚构的50,000人公司构建一个端到端的员工流失预测模型，涵盖数据集管道、数据准备、使用scikit-learn进行模型训练，以及使用KServe将模型作为实时API提供服务。第二阶段转向企业级编排：你使用Kubernetes上的自动化、可扩展工作流替换手动步骤，使用DVC进行数据版本管理，Airflow进行管道编排，Feast用于特征存储，Kubeflow用于训练管道，MLflow用于实验跟踪，KServe用于模型服务，以及Evidently AI用于监控。所有内容都在Kubernetes和Docker上运行。每个工具都有配套的分步指南，仓库中包含两个阶段的代码和配置清单。计划中还有一个顶点项目，将所有内容整合成一个生产风格的Kubernetes MLOps平台。

适合谁

希望操作机器学习工作负载而不想成为数据科学家的DevOps、平台和SRE工程师。也适用于任何了解基础设施并希望通过动手、项目驱动的方式学习MLOps的人，使用与真实平台相同的基于Kubernetes的工具。

亮点

• 无需机器学习背景——每个概念都通过DevOps类比解释
• 端到端使用一个一致的用例（员工流失预测），让你专注于基础设施，而不是机器学习理论
• 涵盖完整的MLOps生命周期：数据管道、训练、服务、实验跟踪、版本管理、特征存储和监控
• 完全基于Kubernetes和Docker，使用行业标准的开源工具，如Airflow、Kubeflow、MLflow、KServe、DVC、Feast和Evidently AI
• 包含本地开发和企业编排阶段的代码和配置
• 精选的真实世界MLOps阅读材料和认证链接，供进一步学习